| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 3.37 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
This work consists in to explore the Genetic Algorithms to solve non-linear optimization
problems. The aim of this work is to study and develop strategies in order to improve the
performance of the Genetic Algorithm that can be applied to solve several optimization
problems, as time schedule, costs minimization, among others. For this, the behavior of
a traditional Genetic Algorithm was observed and the acquired information was used to
propose variations of this algorithm. Thereby, a new approach for the selection operator
was proposed, considering the abilities of population individuals to generate offspring.
In addition, a Genetic Algorithm that uses dynamic operators rates, controlled by the
amplitude and the standard deviation of the population, is also proposed. Together with
this algorithm, a new stopping criterion is also proposed. This criterion uses population
and the problem information to identify the stopping point. The strategies proposed are
validated by twelve benchmark optimization functions, defined in the literature for testing
optimization algorithms. The dynamic rate algorithm results were compared with a fixed
rate Genetic Algorithm and with the defaultMatlab Genetic Algorithm, and in both cases,
the proposed algorithm presented excellent results, for all considered functions, which
demonstrates the robustness of the algorithm for solving several optimization problems.
Este trabalho consiste em explorar o Algoritmo Genético para resolução de problemas de otimização não-linear. O objetivo deste trabalho é estudar e desenvolver estratégias para melhorar o desempenho do Algoritmo Genético que possa ser aplicado para resolução de problemas de otimização variados, como escalonamento de horários, minimização de custos, entre outros. Para isso, foi observado o comportamento usual do Algoritmo Genético e as informações adquiridas foram usadas para propor variações deste algoritmo. Assim, uma nova abordagem para o operador de seleção é proposta, considerando a habilidade dos indivíduos da população em gerar descendentes. Além disso, também é proposto um Algoritmo Genético que utiliza taxas dinâmicas nos operadores, controladas pela amplitude e desvio padrão da população. Juntamente com este algoritmo, um novo critério de paragem também é proposto. Este critério utiliza informações da população e do problema de otimização para determinar o local de paragem. As estratégias propostas são validadas por doze funções de teste, definidas na literatura para teste de algoritmos de otimização. Os resultados do algoritmo de taxas dinâmicas foram comparados com um Algoritmo Genético de taxas fixas e com o Algoritmo Genético padrão disponível no Matlab, e em ambos os casos o algoritmo proposto apresentou excelentes resultados, para todas as funções consideradas, o que demonstra a robustez do método para resolução de problemas de otimização variados.
Este trabalho consiste em explorar o Algoritmo Genético para resolução de problemas de otimização não-linear. O objetivo deste trabalho é estudar e desenvolver estratégias para melhorar o desempenho do Algoritmo Genético que possa ser aplicado para resolução de problemas de otimização variados, como escalonamento de horários, minimização de custos, entre outros. Para isso, foi observado o comportamento usual do Algoritmo Genético e as informações adquiridas foram usadas para propor variações deste algoritmo. Assim, uma nova abordagem para o operador de seleção é proposta, considerando a habilidade dos indivíduos da população em gerar descendentes. Além disso, também é proposto um Algoritmo Genético que utiliza taxas dinâmicas nos operadores, controladas pela amplitude e desvio padrão da população. Juntamente com este algoritmo, um novo critério de paragem também é proposto. Este critério utiliza informações da população e do problema de otimização para determinar o local de paragem. As estratégias propostas são validadas por doze funções de teste, definidas na literatura para teste de algoritmos de otimização. Os resultados do algoritmo de taxas dinâmicas foram comparados com um Algoritmo Genético de taxas fixas e com o Algoritmo Genético padrão disponível no Matlab, e em ambos os casos o algoritmo proposto apresentou excelentes resultados, para todas as funções consideradas, o que demonstra a robustez do método para resolução de problemas de otimização variados.
Description
Dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná
Keywords
Optimization Genetic algorithm Mathematical modeling